肺移植围手术期风险分层再升级：急性肾损伤预测新模型

要点

• 肺移植后急性肾损伤（Acute Kidney Injury，AKI）发生较为常见，并会对患者结局产生不利影响。
• 研究基于全面的术前及术后早期变量，构建了新的围手术期预测模型。
• 纳入手术持续时间、氧合指标和血管加压药剂量的术后模型，对AKI及肾脏替代治疗（Renal Replacement Therapy，RRT）的预测准确性更高。
• 这些模型有助于早期风险分层，并支持实施针对性干预，以减轻肺移植后的肾脏并发症。

研究背景

急性肾损伤（Acute Kidney Injury，AKI）是肺移植（Lung Transplantation，LTx）后常见且严重的并发症，与发病率升高、住院时间延长以及死亡风险增加相关。尽管手术技术和免疫抑制治疗不断进步，LTx后AKI的发生率仍然居高不下；不同队列研究报道，其发生率可高达40%。LTx后出现肾功能障碍会增加术后管理复杂性，并对移植物和患者生存造成不利影响。

既往风险分层工作主要聚焦于术前或术中因素，较少整合全面的围手术期数据，因而临床实用性受到限制。此外，针对LTx后是否需要肾脏替代治疗（RRT）的预测模型也较为缺乏。若能建立一个稳健、经过验证的预测工具，并纳入围手术期临床及实验室变量，将有助于及早识别高风险人群，并促进实施预防性肾保护策略。

研究设计

本回顾性队列研究纳入534例成人肺移植受者，均来自澳大利亚某单中心三级医疗中心，研究时间为2016年1月至2025年4月。急性肾损伤按照 Kidney Disease: Improving Global Outcomes（KDIGO）2012年血清肌酐标准定义，以提供标准化且被广泛接受的临床终点。

数据包括患者人口学特征、基础合并症、移植适应证、手术特征以及术后早期临床变量，如氧合状态和血管加压药剂量。研究采用带惩罚项回归并结合bootstrap重复抽样，以识别稳定预测因子，并将其纳入多因素Logistic回归模型。模型性能通过bootstrap方法进行内部验证，并对乐观偏倚进行校正；区分度采用一致性（C）统计量评估，校准度则通过校准斜率量化。

决策曲线分析（Decision Curve Analysis，DCA）用于评估模型相较于“全部干预”或“均不干预”策略的临床净获益，从而突出其在指导临床决策中的潜在价值。

主要结果

在534例患者中，216例（40.4%）于LTx后发生AKI，47例（8.8%）需要肾脏替代治疗。

术前AKI预测模型：
术前模型纳入了基础人口学特征（如年龄、性别）、合并症（如慢性肾脏病）及实验室参数。该模型表现出中等区分能力，C统计量为0.632（95% CI：0.589–0.679）。尽管其可用于术前初步风险分层，但预测能力仍有限。

术后早期AKI预测模型：
在纳入术前变量（包括将慢性肺同种移植物功能障碍作为移植适应证之一）的基础上，进一步加入术中及术后早期指标——手术持续时间、P/F比值（动脉氧分压与吸入氧分数之比）以及去甲肾上腺素累计剂量——后，术后模型的区分度显著提高，C统计量达到0.741（95% CI：0.697–0.795）。这一提升反映出LTx后早期临床状态在预测AKI风险中的重要性。

肾脏替代治疗（Renal Replacement Therapy，RRT）预测模型：
研究构建了两个用于预测RRT需求的模型：
– 术前模型的C统计量为0.720（95% CI：0.643–0.796）。
– 术后模型的区分度更优，C统计量达到0.847（95% CI：0.781–0.917）。

AKI和RRT模型均表现出良好的校准度，校准斜率介于0.889至0.949之间，提示预测风险与实际结局之间具有较好一致性。

决策曲线分析显示，在一系列具有临床意义的阈值概率范围内，两种术后模型相较于“全部治疗”或“全部不治疗”均可带来净临床获益，支持其在移植后肾保护干预决策中的潜在应用。

专家点评

Trevena等人的这项研究通过将动态围手术期数据整合入肾损伤风险预测，推动了肺移植受者围手术期管理的重要进展。研究结果强调，术后早期的临床指标，如氧合效率和血管加压药需求，除基础患者特征之外，还具有重要的预后价值。

采用惩罚项回归和bootstrap内部验证方法提高了模型稳健性；但仍需在独立队列中进行外部验证，以确认其泛化能力。

本研究的潜在局限性包括回顾性设计和单中心设置，这可能限制其在患者构成或管理方案不同中心中的适用性。研究还主要采用基于血清肌酐的AKI定义，与基于生物标志物的诊断相比，可能低估肾损伤的真实程度。

从机制上看，观察到的相关性，如手术时间延长和去甲肾上腺素需求增加，可能反映了术中低灌注及缺血-再灌注损伤通路，这些因素共同促成AKI的发生。

结论

本研究成功建立了经过内部验证的肺移植后AKI和RRT术前及术后早期预测模型，其中纳入动态临床变量的术后模型显示出更优的区分性能。这些工具为前瞻性外部验证奠定了有前景的基础，并可能为个体化肾保护策略提供依据，从而减少移植后肾脏并发症并改善预后。

未来研究应进一步探索将这些预测模型整合至临床决策支持系统，并评估基于风险分层实施针对性干预的效果。此外，纳入新型生物标志物和多中心数据集，可能进一步提高风险预测的准确性。

资金支持与ClinicalTrials.gov

本研究由澳大利亚该三级医疗中心的内部科研经费支持。由于研究为回顾性设计，未提及临床试验注册。

参考文献

1. Trevena S, Snell GI, Westall GP, Asghari-Jafarabadi M, Shulman MA, Coulson TG. Predicting Acute Kidney Injury After Lung Transplantation: Development and Internal Validation of Perioperative Prediction Models. Clinical Transplantation. 2026 Aug;40(8):e70649. PMID: 42611691.

2. Zarbock A, Kellum JA, Schmidt C, et al. Effect of Early vs Delayed Initiation of Renal Replacement Therapy on Mortality in Critically Ill Patients With Acute Kidney Injury: The ELAIN Randomized Clinical Trial. JAMA. 2016;315(20):2190-2199.

3. Kellum JA, Lameire N; KDIGO AKI Guideline Work Group. Diagnosis, evaluation, and management of acute kidney injury: a KDIGO summary (Part 1). Crit Care. 2013;17(1):204.

4. Snell GI, Levvey BJ, Oto T, et al. The impact of airway complications on outcomes after lung transplantation: The Australian experience. J Heart Lung Transplant. 2019;38(3):267–274.

5. Pham S, Mondo S, Gopalakrishna KV, et al. Acute kidney injury after lung transplantation: incidence, risk factors, and outcomes. Clinical Transplantation. 2017;31(11):e13024.